一种多传感器数据融合技术的故障诊断系统

一种多传感器数据融合技术的故障诊断系统

1数据融合技术的兴起,为数据视频监控系统的发展提供了新的语在过去的20年里，传感器技术取得了迅速的发展，并在复杂的应用背景下开发了各种传感器数据系统。在这些系统中,数据表现形式的多样性、数据容量以及数据的处理速度等要求已大大超过人脑的数据综合能力,数据融合技术应运而生。由于数据融合系统本身所具有的良好性能稳健性、宽阔的时空覆盖区域、很高的测量维数和良好的目标空间分辨力以及较强的故障容错与系统重构能力等潜在特点,因此,自数据融合问题一开始提出,就引起了各国国防部门的高度重视,并将其列为军事高技术研究和发展领域中的一个重要专题。除此以外,数据融合技术已成功地应用于众多的研究领域,如机器人和智能仪器系统,战场任务与无人驾驶飞机,图像分析与理解,目标检测与跟踪,自动目标识别,多源图像复合等。数据融合技术或信息融合技术也称为多传感器融合技术。它是利用计算机技术对来自多传感器的探测数据按时序和一定准则加以自动分析和综合的数据处理过程,以完成所需要的决策和判定。2设计理念2.1振动监视与诊断在本系统中,多传感器数据融合的硬件基础是安装有加速度传感器和位移传感器的电动机,加速度传感器和位移传感器在旋转机械的振动监视与诊断中应用十分广泛。前者用来测量旋转电动机的振动加速度,后者属于非接触式传感器,用于轴位移的测量。在本实验中加速度传感器水平安装于电动机的振动平台上,位移传感器垂直安装于电动机转轴附近的一个固定位置。2.2故障诊断的方法—系统的组成及数据融合原理图1是本系统所采用的多传感器融合系统的结构框图,我们首先利用加速度传感器和位移传感器测量电机转动时振动的加速度和转轴的横向位移的动态信号。然后运用小波分析的方法,提取出这两个传感器信号的适当特征值来辨识设备的故障类型。在本系统被测的三种故障类型中,这两种传感器所提取出来的特征值有的很接近,因此可能出现误判决。除此以外,当某传感器发生故障时,也可能出现误判决。如果让它们各自独立地识别,则可能因一种特征出现误判别而产生矛盾的情况。针对这一问题,引入模糊集理论。对于每一种传感器来讲,被测故障属于那一种类型的可能性分别用隶属度值来表示,这样就会得到两组共六个隶属度值。这时仍可能出现这样的情况:传感器系统得到的某故障属于各类的隶属度值不一致,甚至出现较大的偏差或矛盾的情况。解决办法是:应用模糊概念与D-S证据理论相结合的方法进行数据融合。在故障诊断中,我们利用位移传感器和加速度传感器得到所测故障属于各类的隶属度作为D-S证据理论中各个传感器的测度函数分配的相关系数,并用D-S证据理论的联合规则联合每个传感器的测度函数分配,形成融合的测度函数分配。最后利用融合后的结果,并根据一定规则,进行故障的判定与决策。3多传感器融合模型当D-S证据理论用于多传感器融合时,从传感器获得的相关系数值就是该理论中的证据,根据这些证据,可以构成新的测度函数分配,它表示每一个目标假设的可信程度,每一个传感器形成一个证据组。所谓多传感器融合就是通过D-S联合几个证据组,形成一个新的证据组。即用D-S联合规则联合每个传感器的测度函数分配,形成融合的测度函数分配。3.1对目标类型qj的测度测度函数分配,是表示人们对目标假设的可信程度的一种推理,是一种人的判断,这种判断受各种因素的影响,不同的思想会构成不同的测度函数分配公式。文献的测度函数分配公式没有考虑到目标数的影响,本文将目标类型引入算法,定义:αi=max{Ci(qj)}j=1,2…Nc(1)βi=Ncωi∑j=1NcCi(qj)−1Nc−1Nc≥2(2)Ri=ωiαiβi∑j=1Nsαjβjωj(3)βi=Νcωi∑j=1ΝcCi(qj)-1Νc-1Νc≥2(2)Ri=ωiαiβi∑j=1Νsαjβjωj(3)这里Ci(qj)是传感器i对目标类型qj的相关系数;Nc为目标类型数;Ns是传感器总数;ωi是传感器i的环境加权系数,其值为[0,1];αi是传感器i的最大相关系数;βi是传感器i的相关分配值;Ri是传感器i的可靠性系数。则传感器i对目标qj的测度函数分配值mi(qj)为:mi(qj)=Ci(qj)∑j=1nCi(qj)+Ns(1−Ri)(1−αiβiωi)(4)mi(qj)=Ci(qj)∑j=1nCi(qj)+Νs(1-Ri)(1-αiβiωi)(4)传感器i的不确定性(uncertainty)θ的测度函数分配值mi(θ)为:mi(θ)=Ns(1−Ri)(1−αiβiωi)∑j=1nCi(qj)+Ns(1−Ri)(1−αiβiωi)(5)mi(θ)=Νs(1-Ri)(1-αiβiωi)∑j=1nCi(qj)+Νs(1-Ri)(1-αiβiωi)(5)可以看出,在上述公式中,若干参数选择的基础要以统计理论作为指导;有些参数的选择(如ωi)带有一定的主观性,在本文中提出一种新的思想即利用模糊集理论中的隶属度μij来代替Ci(qj)(传感器i对目标类型qj的相关系数)。这两个量在物理意义上都表示根据某一传感器测得值来估计被测物体属于某一目标类型的概率即两者之间的相关性。3.2特征值的计算在实际应用中,传感器对同一物理量的测定值受两个因素的影响:1)传感器本身的工作性能;2)传感器工作时的各种干扰情况如机械噪声,电磁波的影响。若仅考虑第二种因素,测定值的概率密度函数形式一般可确定为高斯分布(f(x))=12πσe−(x−a)22σ2(f(x))=12πσe-(x-a)22σ2。然而,一般的传感器由于机械、温度、压力等原因使其输出产生线性漂移,也就是说,测定值的平均值也在一定范围内产生漂移,这一现象使得各个传感器对同一物理测定结果符合图2的分布。我们利用小波分析的方法提取的特征值与测定值有着相似的概率密度函数形式如图3所示。显然,要用数学表达式来精确地表达这一模型,并把它作为隶属度函数,其形式就显得过于繁琐,而且也无必要。我们不妨采用梯形函数对这一模型进行理想化(如图4所示),并把它作为各故障类特征值的隶属度函数,用数学公式可表示如下:μij=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪0yi≤y0ij−tijyi−y0ij+tijtij−eijyoij−tij≤yi≤y0ij−eij1y0ij−eij≤yi≤y0ij+eij−yi−y0ij−tijtij−eijyoij+eij≤yi≤y0ij+tij0yi≥y0ij+tij(6)μij={0yi≤y0ij-tijyi-y0ij+tijtij-eijyoij-tij≤yi≤y0ij-eij1y0ij-eij≤yi≤y0ij+eij-yi-y0ij-tijtij-eijyoij+eij≤yi≤y0ij+tij0yi≥y0ij+tij(6)μij为传感器i测定被测故障属于j类的隶属度,yi表示传感器i测定的实际特征值,而y0ij、eij、tij则分别表示为传感器i测定被测故障属于j类的标准特征值、特征最大误差和特征最大偏差。那么,参数y0ij、eij、tij又怎样确定呢?这里采用了统计理论中的数字特征和参数估计方法加以解决。y0ij的值可用从传感器对某一类保障的测定值中提取出的特征值的数学期望来代替。eij值的确定可通过求图3中概率分布函数的双测百分位点来实现。tij的值则可通过求样本极差得到。3.3证据堆栈理论3.3.1中的事件互斥证据理论的论域称为识别框架,记为Θ,其中包括有限个基本命题,记为{q1,q2,…qn},对应于概率理论中的基本事件,我们称之为基元。其中要求Θ中的事件互斥。与概率不同的是,证据理论定义了前面所述的测度函数分配这一新的概念,用m(qr)(qi⊆qr)表示,满足:m∶2Θ→[0,1]2Θ是Θ的幂集(7)∑qr∈2Θm(qr)=1(8)∑qr∈2Θm(qr)=1(8)当m(qr)≠0时,则称qr为测度函数分配上的焦元。对于空集或零集,Φ不可能事件的测度函数分配值等于零,即:m(Φ)=0(9)3.3.2d-s证据理论m1(q1i),m2(q2j)分别对应着同一识别框架Θ上的测度函数分配,焦元分别为{q1i},{q2j},i,j=1,2…n。设∑q1i∩q2j=Φm1(q1i)m2(q2j)＜1∑q1i∩q2j=Φm1(q1i)m2(q2j)＜1那么,由下式定义的函数m∶2Θ→[0,1]是测度函数分配m(qr)=⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪0A=Φ∑q1i∩q2j=qrm1(q1i)m2(q2j)1−∑q1i∩q2j=Φm1(q1i)m2(q2j)A≠Φ(10)m(qr)={0A=Φ∑q1i∩q2j=qrm1(q1i)m2(q2j)1-∑q1i∩q2j=Φm1(q1i)m2(q2j)A≠Φ(10)把D-S证据理论应用于多传感器数据融合是因为不同的传感器提供不同的信息来源,而不同的信息来源正好可以表示D-S证据理论中的不同证据,D-S联合规则提供了融合不同证据的方法也就提供了融合不同传感器信息的方法。3.4目标判定方面用D-S联合规则联合子集{q1i},{q2j}的测度函数分配值,获得融合测度函数分配值m(qr)后,紧接是依据m(qr)进行目标的判定。下面是目标判定的基本原则:1)判定的目标类型应具有最大的测度函数分配值;2)判定的目标类型和其它类型的测度函数分配值之差要大于某个门限,如规定必须不小于0.03;3)不确定性测度函数分配值m(θ)必须小于某个门限,如规定必须不大于0.3;4)判定的目标类型测度函数分配值必须大于不确定性测度函数分配值m(θ),如规定必须不小于0.07。4单传感器融合后的结果表1中第一项、第二项列出了从加速度传感器和位移传感器所测得的值中提取的特征值分别按所规定测度函数分配公式计算出的属于各类保障的测度函数分配值,而第三项,即标明为“融合”的部分为按前述的D-S证据理论的方法融合处理后的结果。从中明显可